传奇的Keras，神经网络领域的常用框架，预测未来的小助手！

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

本文介绍如何编译模型。 编译是创建模型的最后一步。 编译完成后，我们可以进入训练阶段。让我们学习一些所需的概念，以更好地理解编译过程。

1 损失函数

在机器学习中，损失函数用于发现学习过程中的错误或偏差。 Keras 在模型编译过程中需要损失函数。Keras 在损失模块中提供了相当多的损失函数，它们如下：

mean_squared_error
mean_absolute_error
mean_absolute_percentage_error
mean_squared_logarithmic_error
squared_hinge
hinge
categorical_hinge
logcosh
huber_loss
categorical_crossentropy
sparse_categorical_crossentropy
binary_crossentropy
kullback_leibler_divergence
poisson
cosine_proximity
is_categorical_crossentropy

以上所有损失函数都接受两个参数：

y_true – 作为张量的真实标签。
y_pred – 与 y_true 形状相同的预测。

在使用损失函数之前导入损失模块，如下所示：

from keras import losses

2 优化器

在机器学习中，优化是一个重要的过程，它通过比较预测和损失函数来优化输入权重。 Keras 提供了相当多的优化器作为一个模块，优化器如下：

SGD – 随机梯度下降优化器。
RMSprop – RMSProp 优化器。
Adagrad – Adagrad 优化器。
Adadelta – Adadelta 优化器。
Adam – Adam 优化器。
Adamax – Adam 的 Adamax 优化器。
Nadam – Nesterov Adam 优化器。

在使用优化器之前导入优化器模块，如下所示：

from keras import optimizers

3 指标

在机器学习中，Metrics 用于评估模型的性能。 它类似于损失函数，但不用于训练过程。 Keras 提供了相当多的指标作为指标，它们如下：

accuracy
binary_accuracy
categorical_accuracy
sparse_categorical_accuracy
top_k_categorical_accuracy
sparse_top_k_categorical_accuracy
cosine_proximity
clone_metric

与损失函数类似，指标也接受以下两个参数：

y_true – 作为张量的真实标签。
y_pred – 与 y_true 形状相同的预测。

在使用指标之前导入指标模块，如下所示：

from keras import metrics

4 编译模型

Keras 模型提供了一个方法，compile() 来编译模型。 compile() 方法的参数和默认值如下：

compile(
   optimizer, 
   loss = None, 
   metrics = None, 
   loss_weights = None, 
   sample_weight_mode = None, 
   weighted_metrics = None, 
   target_tensors = None
)

重要参数如下：

loss function
Optimizer
metrics

编译模式的示例代码如下：

from keras import losses 
from keras import optimizers 
from keras import metrics 
model.compile(loss = 'mean_squared_error', optimizer = 'sgd', metrics = [metrics.categorical_accuracy])

损失函数设置为 mean_squared_error
优化器设置为 sgd
指标设置为 metrics.categorical_accuracy

5 模型训练

模型由 NumPy 数组使用 fit() 进行训练。 此拟合函数的主要目的是用于评估您的训练模型。 这也可以用于绘制模型性能。 它具有以下语法：

model.fit(X, y, epochs = , batch_size = )

X, y – 这是一个评估数据的元组。
epochs – 在训练期间不需要评估模型的次数。
batch_size – 训练实例。

让我们以一个简单的 numpy 随机数据示例来使用这个概念。

6 创建数据

让我们在下面提到的命令的帮助下使用 numpy 为 x 和 y 创建一个随机数据：

import numpy as np 
x_train = np.random.random((100,4,8)) 
y_train = np.random.random((100,10))

现在，创建随机验证数据：

x_val = np.random.random((100,4,8)) 
y_val = np.random.random((100,10))

7 创建模型

让我们创建简单的顺序模型：

from keras.models import Sequential model = Sequential()

8 添加层

创建层以添加到模型中：

from keras.layers import LSTM, Dense 
# add a sequence of vectors of dimension 16 
model.add(LSTM(16, return_sequences = True)) 
model.add(Dense(10, activation = 'softmax'))

9 编译模型

现在模型已定义。 您可以使用以下命令进行编译：

model.compile(loss = 'categorical_crossentropy', optimizer = 'sgd', metrics = ['accuracy'])

10 进行拟合

现在我们应用 fit() 函数来训练我们的数据：

model.fit(x_train, y_train, batch_size = 32, epochs = 5, validation_data = (x_val, y_val))

11 创建多层感知器 ANN

我们已经学会了创建、编译和训练 Keras 模型。让我们应用我们的学习并创建一个简单的基于 MPL 的 ANN。

11.1 数据集模块

在创建模型之前，我们需要选择一个问题，需要收集所需的数据并将数据转换为 NumPy 数组。 收集数据后，我们可以准备模型并使用收集的数据对其进行训练。 数据收集是机器学习中最困难的阶段之一。 Keras 提供了一个特殊的模块，即数据集，用于下载用于训练目的的在线机器学习数据。 它从在线服务器获取数据，处理数据并将数据作为训练和测试集返回。 让我们检查一下 Keras 数据集模块提供的数据。 模块中可用的数据如下：

CIFAR100小图像分类
IMDB电影评论情感分类
路透社新闻专线主题分类
MNIST 手写数字数据库
Fashion-MNIST 时尚文章数据库
波士顿房价回归数据集

让我们使用手写数字（或 mnist）的 MNIST 数据库作为您的输入。 mnist 是 60,000 张 28×28 灰度图像的集合。 它包含 10 位数字。 它还包含 10,000 张测试图像。下面的代码可用于加载数据集：

from keras.datasets import mnist 
(x_train, y_train), (x_test, y_test) = mnist.load_data()

第一行：从 keras 数据集模块导入 minst。
第三行：调用 load_data 函数，该函数将从在线服务器获取数据并将数据作为 2 个元组返回，第一个元组 (x_train, y_train) 表示具有形状的训练数据 (number_sample, 28, 28) 及其带有形状的数字标签， (number_samples, )。 第二个元组 (x_test, y_test) 表示具有相同形状的测试数据。

其他数据集也可以使用类似的 API 获取，每个 API 也返回类似的数据，除了数据的形状。 数据的形状取决于数据的类型。

11.2 创建模型

让我们选择一个简单的多层感知器 (MLP)，如下所示，并尝试使用 Keras 创建模型。

该模型的核心特点如下：

输入层由 784 个值（28 x 28 = 784）组成。
第一个隐藏层，Dense 由 512 个神经元和“relu”激活函数组成。
第二个隐藏层，Dropout 的值为 0.2。
第三个隐藏层，同样 Dense 由 512 个神经元和“relu”激活函数组成。
第四个隐藏层，Dropout 的值为 0.2。
第五层和最后一层由 10 个神经元和“softmax”激活函数组成。
使用 categorical_crossentropy 作为损失函数。
使用 RMSprop() 作为优化器。
使用准确性作为指标。
使用 128 作为批量大小。
使用 20 作为 epoch。

1）第一步：导入模块

让我们导入必要的模块。

import keras 
from keras.datasets import mnist 
from keras.models import Sequential 
from keras.layers import Dense, Dropout 
from keras.optimizers import RMSprop 
import numpy as np

2）第二步：加载数据

让我们导入 mnist 数据集。

(x_train, y_train), (x_test, y_test) = mnist.load_data()

3）第三步：处理数据

让我们根据我们的模型更改数据集，以便将其输入到我们的模型中。

x_train = x_train.reshape(60000, 784) 
x_test = x_test.reshape(10000, 784) 
x_train = x_train.astype('float32') 
x_test = x_test.astype('float32') 
x_train /= 255 
x_test /= 255 
y_train = keras.utils.to_categorical(y_train, 10) 
y_test = keras.utils.to_categorical(y_test, 10)

reshape 用于将输入从 (28, 28) 元组重塑为 (784, )
to_categorical 用于将向量转换为二进制矩阵

4）创建模型

让我们创建实际模型。

model = Sequential() 
model.add(Dense(512, activation = 'relu', input_shape = (784,))) 
model.add(Dropout(0.2)) 
model.add(Dense(512, activation = 'relu'))
model.add(Dropout(0.2)) 
model.add(Dense(10, activation = 'softmax'))

5）编译模型

让我们使用选定的损失函数、优化器和指标来编译模型。

model.compile(loss = 'categorical_crossentropy', optimizer = RMSprop(), metrics = ['accuracy'])

6）训练模型

让我们使用 fit() 方法训练模型。

history = model.fit(
   x_train, y_train, 
   batch_size = 128, 
   epochs = 20, 
   verbose = 1, 
   validation_data = (x_test, y_test)
)

12 最后的思考

我们已经创建了模型，加载了数据并将数据训练到模型中。 我们仍然需要评估模型并预测未知输入的输出，我们将在以后的文章中介绍。

import keras 
from keras.datasets import mnist 
from keras.models import Sequential 
from keras.layers import Dense, Dropout 
from keras.optimizers import RMSprop 
import numpy as np 
(x_train, y_train), (x_test, y_test) = mnist.load_data() 
x_train = x_train.reshape(60000, 784) 
x_test = x_test.reshape(10000, 784) 
x_train = x_train.astype('float32') 
x_test = x_test.astype('float32') 
x_train /= 255 
x_test /= 255 
y_train = keras.utils.to_categorical(y_train, 10) 
y_test = keras.utils.to_categorical(y_test, 10) 
model = Sequential() 
model.add(Dense(512, activation='relu', input_shape = (784,))) 
model.add(Dropout(0.2)) 
model.add(Dense(512, activation = 'relu')) model.add(Dropout(0.2)) 
model.add(Dense(10, activation = 'softmax'))
model.compile(loss = 'categorical_crossentropy', 
   optimizer = RMSprop(), 
   metrics = ['accuracy']) 
history = model.fit(x_train, y_train, 
   batch_size = 128, epochs = 20, verbose = 1, validation_data = (x_test, y_test))